PyTorch 详解：深度学习框架事实标准
看一组数字就够了：GitHub 上约 104k Star、超过 11 万次提交——PyTorch 是当前最受研究者欢迎的深度学习框架。从 2017 年靠"动态图加 Python 原生体验"掀翻静态图霸主，到大模型时代各家…
77
分类
AI
追踪大模型的实战前沿：模型横评与选型（Fable、GPT、Gemini、DeepSeek）、AI Agent 架构（浏览器代理、Computer Use、多智能体协作）、判断模型（Jev、Laya）、本地化部署（AnythingLLM、WebLLM）与开源 AI 生态全景。从原理拆解到落地配方，给出可复制的选型与工程结论。
共 162 篇文章
TalkToFigma：让 AI 直接操作 Figma 画布
让 AI 操作 Figma 有两条路：读设计稿（Framelink MCP 一类）与写设计稿。而东南亚出行巨头 Grab 开源的 TalkToFigma（cursor-talk-to-figma-mcp）走的是后者——让 AI Agent 直接在 Figma 画布里动手：创建矩形、文本、画板，改颜色、圆角、自动布局，批量替换文案、传播组件覆盖。它以"MCP 服务器 + WebSocket 中继 +…
98
PydanticAI 详解：类型安全的 Python AI SDK
PydanticAI 详解：类型安全的 Python AI SDK写 LLM 应用最疼的两件事：模型返回的 JSON 不合预期、换一家模型商要改一串代码。pydantic/pydantic-ai（PydanticAI）用 Pydantic 团队的老本行回答了第一件——输出用 BaseModel 定义、运行前先校验，错误从运行时提前到编码时；第二件则用"模型即字符串"回答：换个厂商只改一个参数。如今
122
编码之王之争：2026 编码模型深评与实战选型
编码之王之争：2026 编码模型深评与实战选型"写代码用哪个模型？"是开发者每天都要回答的问题。但"编码能力"不是一个分数能概括的——补全一行、生成一个函数、重构一个模块、调试一个疑难 Bug，是四种完全不同的活，各自的最优解并不重合。本文不和"全维度横评"重复，而是钻进"编码"这一条纵深：拆开编码能力的细分维度、深读基准、按工作流分维度对比，帮你把对的活交给对的模型。1、编码之争的核心转变：从"
289
vLLM 详解：大模型推理引擎
大模型应用上线后，第一个撞上的墙往往不是模型效果，而是推理成本和吞吐。原生 Hugging Face 推理一次一个请求、KV 缓存整块预留显存，GPU 利用率低得可怜。vLLM 就是为解决这个问题生的：它用 PagedA…
109
NextChat 详解：一键部署的跨平台 AI 聊天助手
NextChat 详解：一键部署的跨平台 AI 聊天助手2023 年"自部署 ChatGPT"浪潮里，被 fork 最多的项目是哪一个？答案是 ChatGPTNextWeb/NextChat——88.8k Star 背后是 5.9 万个 Fork，几乎每个想"一分钟拥有自己 ChatGPT"的人都 fork 过它：Vercel 点一下按钮、填一个 API Key，网页就跑起来了。它由 Yidada
133
PocketFlow 详解：100 行代码的 LLM 框架
PocketFlow 详解：100 行代码的 LLM 框架LangChain 40 万行、装完胖 166MB——"框架膨胀"是这两年 LLM 应用开发最常被吐槽的痛点。The-Pocket/PocketFlow（Pocket Flow）给出的答案激进到近乎行为艺术：整个框架只有 100 行 Python，零依赖、零厂商锁定，只保留一个核心抽象——图（Graph）。在此之上，Agent、Workfl
87
Framelink MCP：让 AI 精确还原 Figma 设计
把 Figma 设计稿交给 AI 编码助手还原，最常见的做法是贴截图——模型看图猜布局，间距靠估、颜色靠猜，一次成功率惨不忍睹。Framelink MCP for Figma（GLips/Figma-Context-MCP）换了个思路：通过 MCP（Model Context Protocol）服务器把 Figma 文件的结构化数据直接喂给 Cursor 等编码 Agent——粘贴一个 Figma…
100
GPTCache：给 LLM 查询加上语义缓存
GPTCache：给 LLM 查询加上语义缓存LLM 应用火了之后，两个老问题立刻浮现：API 贵（按请求与 token 计费，流量一上来账单爆炸）和响应慢（实时生成动辄数秒，还可能撞 rate limit）。软件工程里这两个问题的经典答案是"缓存"——但 LLM 查询没法用传统精确匹配缓存：用户问"what's github"和"can you explain what GitHub is"，字
117
LangGraph 详解：构建有状态代理的低层编排框架
LangGraph 详解：构建有状态代理的低层编排框架用大模型做代理（Agent），难的从来不是"调一次模型"，而是让它有状态地连续工作：多步循环、分支路由、失败后从断点恢复、中途让人插手确认。langchain-ai/langgraph（LangGraph）就是为此而生的低层编排框架——把代理工作流建模成图：节点是步骤、边是流转、条件边做动态路由，天然支持循环与多代理协作。约 41.5k Sta
120
LLMLingua 详解：微软的提示词压缩工具，最高 20 倍压缩
LLMLingua 详解：微软的提示词压缩工具，最高 20 倍压缩大模型的成本与延迟，大多花在冗长的提示词上——检索增强塞进几十段文档、few-shot 示例动辄几千 token，其中很多其实不必送进模型。微软开源的 LLMLingua 专门解决这个问题：用小语言模型对提示词做 token 级压缩，最高 20 倍压缩率且性能几乎不损失，还能顺带压缩 KV-Cache 加速推理。本文从动机、快速上手
114
Serena 详解：给编码 Agent 用的 IDE
Serena 详解：给编码 Agent 用的 IDE让 Agent 写代码，最贵的不是模型，是上下文——用 grep 和行号在十万行代码库里找符号、读整文件、做跨文件重命名，token 烧如流水，还容易改错。oraios/serena（Serena）的解法是把 IDE 的看家本领借给 Agent：符号级的语义检索、编辑、重构与调试，通过 MCP 协接入任何 AI 客户端——口号直白，"The ID
127
RTK：砍掉 AI Agent 读取的 90% Bash 输出
RTK：砍掉 AI Agent 读取的 90% Bash 输出AI 编程助手的 token 账单里，藏着一大块隐形消耗——bash 输出。跑一次失败的 cargo test，200 多行测试日志全部灌进上下文；git push 的进度条占 15 行；ls -la 一下 45 行……这些输出大部分是 agent 不需要的"噪音"，却实打实消耗 input token、挤占宝贵的上下文窗口。RTK（R
87
agent-browser 给AI的浏览器自动化CLI
让 AI 编程助手真正"上手"操作浏览器，是 agent 工具链里被反复验证的需求：登录站点、填表单、点按钮、截图取证、抓数据、跑端到端测试。传统路径是把 Playwright 交给模型——让它写脚本、运行、看报错、改脚本，循环往复，慢且脆弱，token 也烧得凶。 vercel-labs 出品的 agent-browser 给出了另一种答案：一个专为 AI agent 设计的浏览器自动化 CLI…
136
qmd 详解：Shopify CEO 开源的本地 Markdown 搜索引擎
qmd 详解：Shopify CEO 开源的本地 Markdown 搜索引擎给 AI 代理喂"对的上下文"越来越重要，而多数方案要把笔记、文档传上云端。Shopify CEO Tobias Lütke（GitHub ID：tobi）开源的 qmd 给出了另一条路：一个完全跑在本地的迷你 CLI 搜索引擎，专门检索 Markdown 笔记、会议纪要与文档，把 BM25 全文检索、向量语义检索与 LL
128